AI NOR completes the report for the cancer registry based on the patient’s medical records, citing the source. The doctor confirms the report, and the data is stored in InterSystems IRIS FHIR.
AI NOR prepares the ‘Incidence of Malignant Neoplasm’ report for the National Cancer Register (NOR) using standard patient records. The doctor does not have to re-enter the form; they simply address any fields where the reports differ or where the AI is uncertain.
How it works Reports: PDF (including OCR-processed scans), Word, email, TXT, exports from the NIS, or HL7v2 messages sent by the NIS to InterSystems IRIS. Extraction: the language model in the EU Data Zone returns the fields of the NOR form. For each value, it must provide a verbatim quote from the report. The application is also ready for a local model within the hospital: the LLM calls via an OpenAI-compatible API, whilst embeddings and OCR already run locally. Verification: we trace the quotation back to the report and verify the ICD-10 codes and morphology against the ÚZIS code lists. The AI must not invent a code. It selects the diagnosis code only from candidates in IRIS Vector Search and cites the relevant ICD-10 rule. Confidence 0–100: calculated from verifiable signals (source type, report consistency, code validity, ‘susp.’ in the citation), not from the model’s self-assessment. Fields from 85 onwards that show no discrepancies are pre-filled; the others are placed in the ‘For Review’ queue. Doctor: processes the queue; with a single click, they can view the highlighted source of each piece of data, check the preview in the ÚZIS form format, and confirm the report. InterSystems IRIS for Health
HL7v2 to FHIR conversion: messages from NIS (MDM via MLLP) are converted to FHIR DocumentReference using built-in mappers via SDA3. FHIR R4 (mCODE, HL7 CZ Core): each report is a single record. After extraction, it is in a preliminary state (Composition preliminary); after confirmation, it becomes final. Provenance indicates which report the data comes from and what the doctor has corrected. Vector Search over ICD-10 code lists and rules. SQL: reports and audit logs for every change. Data: Synthetic patients and anonymised data from Ostrava University Hospital provided for the hackathon (not in the repository). Additionally, the ICD-10-CZ 2026 code lists and the tabular section of ICD-10 from ÚZIS.
What we managed to achieve: The entire process from uploading reports to confirmed reports: OCR, data extraction with citations, confidence scores, queue for review, form preview, export for ÚZIS (JSON, CSV), entry into IRIS FHIR, HL7v2 output, change history, relapse reporting and application guide.
Next steps: Connect the production environment to the actual NIS, agree on an import format with ÚZIS, add a login system and calibrate the confidence threshold using real-world data.
- Had before
- Odhodlání a poznámky ze Slack/prezentací
- Use of AI
- V aplikaci: LLM gpt-6-luna-dz-eu v EU Data Zone vytěží z českých zpráv pole hlášení NOR. Druhý krok LLM vybírá kód MKN-10 podle pravidel Tabelární části. Lokální embeddingy hledají v číselnících přes IRIS Vector Search. Aplikace je připravená i pro lokální modely: LLM volá přes OpenAI-kompatibilní API, takže jde bez změny kódu přepnout na model v nemocnici (vLLM, Ollama). Embeddingy i OCR už běží lokálně.
Proti halucinacím: každá hodnota musí mít doslovnou citaci, kterou ověříme ve zprávě. Kód musí existovat v číselníku ÚZIS a model ho smí vybrat jen z kandidátů z IRIS. Jistota 0–100 se počítá z ověřitelných signálů, ne z odhadu modelu. Nejistá pole a rozpory jdou k lékaři, nic se neodešle bez potvrzení. Evaluace proti gold hodnotám.
Při vývoji: aplikaci jsme postavili s agenty Claude Code. Agenti pracovali paralelně na backendu, frontendu a FHIR/IRIS podle společného kontraktu a pravidel v AGENTS.md, s 26 skilly pro UI. Přes 100 testů hlídá, že se navzájem nerozbijí. - Impact
- Hlášení do NOR dnes lékař nebo datová manažerka vyplňuje ručně: hledá diagnózu, TNM, morfologii, grading a data v několika zprávách a přepisuje je do formuláře ÚZIS. AI NOR to otočí. Většinu polí předvyplní s citací a člověk řeší jen rozpory a nejistá pole.
Náš odhad (zatím neměřený na provozu): kontrola hlášení místo ručního vyplnění zkrátí práci z desítek minut na jednotky minut. Násobeno tisíci nových onkologických diagnóz ročně ve velké nemocnici to dělá stovky hodin práce zdravotníků za rok.
Méně chyb: kódy jen z oficiálních číselníků, kontrola vztahu diagnóza, topografie a morfologie, pohlaví a věku. Úplnější a včasnější data v registru zlepší statistiky a výzkum rakoviny v Česku. Data zůstávají ve standardu FHIR v IRIS, takže je jde znovu použít pro další registry a pro evropský prostor zdravotních dat (EHDS). - Who benefits
- Doctors and nurses, Hospitals and care providers
- InterSystems technologies
- Yes — IRIS for Health je datová vrstva celé aplikace. Zprávy z NIS přijímá produkce HL7v2 (MLLP) a vestavěnými převody přes SDA3 je ukládá jako FHIR DocumentReference. Každé hlášení je jeden FHIR R4 záznam (mCODE): po vytěžení rozpracovaný, po potvrzení lékařem konečný, s Provenance. Vector Search hledá kódy v číselnících a pravidlech MKN-10. SQL drží hlášení a auditní log změn.
Machine translation from Czech
- Team
- www.pixed.cz — Richard Klopec, Bogdan Rusnok, Tomas Novak, Daniel Tenora
- Challenge
- AI NOR · Ostrava